Vision-language models lag human performance on physical dynamics and intent reasoning
यह शोध पत्र टेलीओ-स्पेशियल इंटेलिजेंस (TSI) और एशरवर्स (EscherVerse) बेंचमार्क को प्रस्तुत करता है ताकि यह प्रदर्शित किया जा सके कि वर्तमान विजन-लैंग्वेज मॉडल भौतिक गतिशीलता और अंतर्निहित मानवीय इरादों के बारे में तर्क करने में मानव प्रदर्शन से काफी पीछे हैं, जो पैटर्न पहचान और वास्तविक बोधगम्य समझ (embodied understanding) के बीच एक महत्वपूर्ण अंतर को प्रकट करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
मुख्य विचार: AI देख सकता है, लेकिन वह यह नहीं समझ पाता कि चीजें क्यों होती हैं
कल्पना कीजिए कि आप एक फिल्म देख रहे हैं।
- वर्तमान AI एक बहुत ही स्मार्ट कैमरे की तरह है जो स्क्रीन पर जो कुछ भी है उसका सटीक वर्णन कर सकता है: "एक आदमी लाल कप पकड़े हुए है। वह मेज की ओर बढ़ रहा है।"
- इंसान एक निर्देशक (डायरेक्टर) की तरह होते हैं। हम केवल कप को नहीं देखते; हम जानते हैं कि वह आदमी वहां क्यों जा रहा है। हम जानते हैं कि उसे प्यास लगी है, उसका इरादा पीने का है, और यदि वह लड़खड़ाया, तो कॉफी गिर जाएगी। हम उस गति के पीछे की कहानी को समझते हैं।
यह पेपर तर्क देता है कि जबकि AI "क्या" और "कहाँ" का वर्णन करने में बहुत अच्छा होता जा रहा है, वह वास्तविक दुनिया में "क्यों" और "आगे क्या होगा" को समझने में बहुत खराब है। लेखक इस गायब कौशल को टेलियो-स्पेशियल इंटेलिजेंस (Teleo-Spatial-Spatial Intelligence) कहते हैं।
समस्या: "ज्यामितीय पिंजरा" (The Geometric Cage)
लेखक कहते हैं कि वर्तमान AI एक "ज्यामितीय पिंजरे" में फंसा हुआ है।
- पिंजरा: AI दुनिया को स्थिर आकृतियों और दूरियों के संग्रह के रूप में देखता है। वह जानता है कि एक कप मेज से 2 फीट दूर है।
- मुक्ति: इंसान दुनिया को इरादों के प्रवाह के रूप में देखते हैं। हम जानते हैं कि कप मेज तक जाएगा क्योंकि व्यक्ति को प्यास लगी है।
उपमा (Analogy):
एक वीडियो गेम के बारे में सोचें।
- वर्तमान AI एक ऐसे बॉट की तरह है जो केवल मैप के निर्देशांक (coordinates) जानता है। वह जानता है "प्लेयर X, Y पर है।"
- मानवीय बुद्धिमत्ता (Human Intelligence) एक ऐसे खिलाड़ी की तरह है जो लक्ष्य को जानता है। "प्लेयर दरवाजे की ओर भाग रहा है क्योंकि ज़ोंबी उसका पीछा कर रहा है।"
यदि आप AI से पूछें, "कप कहाँ जाएगा?", तो वह बेतरतीब ढंग से अनुमान लगा सकता है। यदि आप एक इंसान से पूछें, तो वे कहेंगे, "मेज पर, क्योंकि व्यक्ति को प्यास लगी है।"
समाधान: एचरवर्स (EscherVerse - AI परीक्षण का "एम.सी. एचर")
यह परीक्षण करने के लिए कि क्या AI इस पिंजरे से बाहर निकल सकता है, शोधकर्ताओं ने EscherVerse नामक एक विशाल नया परीक्षण बनाया। उन्होंने इसका नाम एम.सी. एचर (M.C. Escher) के नाम पर रखा, जो उन चित्रों के लिए प्रसिद्ध कलाकार हैं जो पहली नज़र में सामान्य दिखते हैं लेकिन बारीकी से देखने पर असंभव या दिमाग घुमा देने वाले तर्क प्रकट करते हैं।
उन्होंने इसे कैसे बनाया:
- कच्चा माल (Raw Material): उन्होंने इंटरनेट से 11,000 से अधिक वास्तविक दुनिया के वीडियो जुटाए। ये साफ-सुथरे कंप्यूटर-जनरेटेड सिमुलेशन नहीं हैं; ये लोगों के काम करने के वास्तविक, अव्यवस्थित क्लिप्स हैं।
- प्रश्न: उन्होंने "क्या वहां एक कुत्ता है?" जैसे सरल प्रश्न नहीं पूछे। इसके बजाय, उन्होंने इरादे-आधारित कठिन प्रश्न पूछे जैसे:
- "यदि व्यक्ति का इरादा पीने का है, तो कप कहाँ जाएगा?"
- "यदि पोल 3 फीट छोटा होता, तो क्या वह अभी भी छत तक पहुँच पाता?"
- "घोड़े की सवारी करने वाले के दृष्टिकोण से, दूसरा घोड़ा कहाँ है?"
उन्होंने AI का परीक्षण करने के लिए 8,000 प्रश्न और उसे सिखाने के लिए 35,000 उदाहरण बनाए।
परिणाम: "मानवीय अंतर" (The Human Gap)
शोधकर्ताओं ने इस नए परीक्षण के विरुद्ध उपलब्ध 27 सबसे स्मार्ट AI मॉडलों (GPT-5 और Gemini जैसे बड़े नामों सहित) का परीक्षण किया। उन्होंने 11 इंसानों से भी बिना किसी मदद के यह टेस्ट देने को कहा।
स्कोरबोर्ड:
- इंसान: 85% और 95% के बीच स्कोर किया (औसत: 90.6%)। इंसानों ने इसे बस "समझ लिया।"
- सर्वश्रेष्ठ AI (Gemini-2.5-Pro): 57.26% स्कोर किया।
- अन्य AI: कई मॉडलों का स्कोर 50% से नीचे था, जिसका अर्थ है कि वे केवल अनुमान लगा रहे थे।
रूपक (Metaphor):
एक ड्राइविंग टेस्ट की कल्पना करें।
- इंसान सुरक्षित ड्राइविंग कर रहे हैं, पैदल यात्रियों का पूर्वानुमान लगा रहे हैं, और जानते हैं कि कब ब्रेक लगाना है।
- AI एक ऐसे रोबोट की तरह गाड़ी चला रहा है जो केवल सड़क पर बनी रेखाओं का पालन करता है। यदि एक गेंद सड़क पर आती है और एक बच्चा उसके पीछे भागता है, तो AI यह नहीं समझ पाता कि बच्चा गेंद पाने के लिए इरादा रखता है, इसलिए वह सीधा चलता रहेगा और दुर्घटना का कारण बन सकता है।
AI विफल क्यों होता है? ("संज्ञानात्मक बाधाएं" - Cognitive Bottlenecks)
शोधकर्ताओं ने पाया कि AI के अटकने के तीन मुख्य कारण हैं:
- परिप्रेक्ष्य लॉक होना (Perspective Locking): यदि आप AI से पूछें, "सवार क्या देख रहा है?", तो AI अक्सर सवार को अनदेखा कर देता है और केवल वही बताता है जो कैमरा देख रहा है। वह "दूसरे के जूतों में खुद को रखने" (दूसरे का नजरिया समझने) में सक्षम नहीं है।
- समय यात्रा की विफलता (Time Travel Failure): AI भविष्य की भविष्यवाणी करने में संघर्ष करता है। यदि एक गेंद फेंकी जाती है, तो वह भौतिकी और फेंकने वाले के इरादे के आधार पर यह गणना करने में सक्षम नहीं है कि वह कहाँ गिरेगी।
- "क्यों" का अभाव: AI एक आदमी को दौड़ते हुए देखता है। उसे यह नहीं पता कि वह बस पकड़ने के लिए दौड़ रहा है या कुत्ते से बचने के लिए। बिना लक्ष्य को जाने, वह यह अनुमान नहीं लगा सकता कि आगे क्या होगा।
अच्छी खबर और बुरी खबर
अच्छी खबर:
जब शोधकर्ताओं ने एक ओपन-सोर्स AI को विशेष रूप से अपने नए "EscherVerse" डेटा (इरादे-आधारित प्रश्नों वाले वास्तविक वीडियो) का उपयोग करके सिखाया, तो वह बहुत बेहतर हो गया। उसका स्कोर कम स्कोर से बढ़कर लगभग 50% तक पहुँच गया। यह साबित करता है कि बेहतर डेटा मदद करता है।
बुरी खबर:
सबसे अच्छे प्रशिक्षण के बावजूद, AI अभी भी इंसानों की बराबरी नहीं कर सका। अंतर बहुत बड़ा है। AI को पैटर्न पहचानने के लिए सिखाना काफी नहीं है; उसे मानवीय लक्ष्यों और भौतिक कारण-प्रभाव (cause-and-effect) को समझने की आवश्यकता है, जिसे वर्तमान कंप्यूटर अभी तक नहीं कर पा रहे हैं।
निष्कर्ष (The Bottom Line)
हम AI को कार चलाने, अस्पतालों में मदद करने और कारखानों में काम करने के लिए बना रहे हैं। लेकिन यदि AI यह नहीं समझ पाता कि किसी व्यक्ति का कप की ओर हाथ बढ़ाना इसका मतलब है कि उसे प्यास लगी है, या एक बच्चे का सड़क की ओर दौड़ना इसका मतलब है कि वह सड़क पर आ सकता है, तो ये सिस्टम खतरनाक हैं।
यह पेपर एक चेतावनी है: हमें AI को केवल आकृतियों को "देखना" सिखाना बंद करना होगा, और इसे कहानी, इरादे और भविष्य को समझना सिखाना शुरू करना होगा। जब तक हम ऐसा नहीं करते, AI एक बहुत ही स्मार्ट पर्यवेक्षक (observer) बना रहेगा जो वास्तव में उस दुनिया को नहीं समझता जिसमें वह रहता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।